Kyselytutkimustietojen analysointi

Verkkokyselytutkimuksesi tulokset ovat tulleet. Nyt on aika aloittaa tehokas analysointi, jotta voit jäsentää tulokset ja esittää ne tavalla, joka helpottaa tietojen sisäistämistä ja niiden pohjalta toimimista.

Tässä oppaassa kerrotaan, mitä kyselytutkimusanalyysi on, mihin tyyppeihin kyselytutkimusdata yleisesti jaetaan ja mitkä ovat laadukkaan kyselytutkimusanalyysin kuusi vaihetta.

Kyselytutkimusanalyysi tarkoittaa prosessia, jolla kyselytutkimuksesta saadut tiedot muunnetaan tuloksiksi ja toimintaa ohjaaviksi oivalluksiksi. Kyselytutkimuksella kerättyihin tietoihin perustuva kyselytutkimusanalyysi auttaa raakadatan muuttamisessa keskusteltavissa olevan tuloksen muotoon. 

Dataa on helpompi ymmärtää syvällisesti, kun ryhdyt kyselytutkimusanalyysiin suunnitelmallisesti. Selkeän tavoitteen asettaminen auttaa analysoimaan kyselytutkimustietoja tehokkaammin.

Jos kaipaat tarkempaa tietoa ja perusteellista opastusta kyselytutkimuksen suunnitteluun ja analysointiin, katso tämä webinaari.

Kyselytutkimuksessa kysytyt kysymykset vaikuttavat suoraan saamiesi tietojen tyyppiin. Data voi olla joko määrällistä tai laadullista. 

Määrällisellä datalla tarkoitetaan numeerista informaatiota. Esimerkiksi Net Promoter® Score (NPS) ‑kyselyssä asiakkaat antavat vastauksensa asteikolla 1–10. Näin ollen kaikki kerätty tieto on numeerista ja tuottaa määrällistä dataa. Tällainen tieto on käytettävissä suoraan vertailuun ja tilastolliseen analyysiin.

Laadullinen data puolestaan tarkoittaa muuta kuin numeerista dataa. Tällaisella kyselytutkimuksella pyritään vastaamaan numeerisen datan taustalla vaikuttavaan miksi-kysymykseen. Voit esimerkiksi kysyä vastaajilta, miksi he valitsivat tietyn numeron, ja pyytää heitä kirjoittamaan vastauksensa tekstikenttään. Vaikka laadullisen tiedon analysointi on vaikeampaa, datan takana vaikuttavien seikkojen ymmärtäminen on oleellisen tärkeää.

Numeerinen data on omiaan pitkällä aikavälillä tapahtuvan muutoksen seurantaan. Jos taas haluat tietää, miksi joku vastasi niin kuin vastasi, laadullista dataa tuottavan jatkokysymyksen kysyminen on hyvä idea.

Näin voit ymmärtää tulostesi takana vaikuttavia numeroita ja merkityksiä. 

Ennen kyselytutkimusanalyysin aloittamista täytyy varmistaa, että kyselytutkimustiedot ovat käyttökelpoisessa muodossa. Kyselytutkimusdatan siivoaminen tarkoittaa päätösten tekemistä siitä, mitkä vastaajat suljetaan analyysin ulkopuolelle, sekä huonolaatuisten ja päällekkäisten vastausten poistamista.

Jotkut vastaajat ovat ehkä vastanneet vain osaan kysymyksistäsi tai kiirehtineet vastauksiaan pysähtymättä miettimään asiaa kunnolla. Tällaiset seikat voivat heikentää datan laatua ja vaikuttaa lopullisten tulosten tarkkuuteen.

Vastausten laadun analyysi voi auttaa tunnistamaan kyselytutkimusvastauksia, jotka eivät täytä kriteerejäsi. Jos esimerkiksi keräät asiakkaiden tuntemuksiin liittyvää dataa, muilta kuin asiakkailta saadut vastaukset eivät ole hyödyllisiä.

Kyselytutkimusdatan valmistelu analyysiä varten huolehtimalla sen luettavuudesta, yhdenmukaisesta muotoilusta ja lajittelusta tarjoaa käyttöösi siistin ja selkeän tietojoukon.

Tärkeimmät kyselytutkimuskysymykset asettavat askelmerkit koko kyselyllesi. Ne liittyvät kyselytutkimuksesi tarkoitukseen, jonka olet toivottavasti määrittänyt kyselytutkimuksen tavoitteita miettiessäsi.

Aloita siis tärkeimmästä kyselytutkimuskysymyksestä ennen kuin alat perehtyä yksityiskohtiin. Jos haluat esimerkiksi tietää, ovatko vastaajat kiinnostuneita ostamaan uuden tuotteen, sinun kannattaa aloittaa seuraavasta tulostaulukosta.

Kuten huomaat, selkeä enemmistö on kiinnostunut. Tämän selvitettyäsi voit siirtyä käsittelemään muiden kysymysten vastausdataa ja kerätä enemmän tuotetta koskevaa informaatiota.

Laajat ja ensisijaiset kyselytutkimuskysymykset auttavat tunnistamaan tärkeimmät mielipiteet ja ideat datan keskeltä. Kun tämä perusta on kunnossa, voit jatkaa data-analyysin tarkentamista ja löytää vastauksia tutkimuskysymyksiisi. 

Monissa tapauksissa datan pilkkominen osiin helpottaa sen ymmärtämistä. Yrityksesi voi käyttää ristiintaulukointia tiedon jakamiseksi pienempiin osiin sen perusteella, mitkä ominaisuudet yhdistävät eri tietoja. Voit esimerkiksi suodattaa dataa vastausten taustalla vaikuttavien tekijöiden perusteella. Voit suodattaa, vertailla ja laatia sääntöjä kutakin käyttösegmenttiä koskevien tietojen analysointiin.

Suodattimet ovat tehokas tapa ymmärtää dataa kattavasti. Jos esimerkiksi haluat tietää, miten suosittu jokin tuote on eri ryhmissä, voit ottaa kyselytutkimukseesi demografisia tietoja koskevia kysymyksiä. Kun ihmiset valitsevat jonkin tietyn ikäryhmän, voit suodattaa vastaukset välittömästi iän perusteella. Näiden tietojoukkojen vertailu osoittaa, missä määrin tuotteesta pidetään kussakin ikäryhmässä, jolloin poikkeusten tai arvostelijoiden ryhmät voidaan tunnistaa nopeasti.

Voit käyttää esimerkiksi seuraavia suodattimia:

Vaikka laadullinen data ei tuota prosenttiosuuksia tai raakaa numeerista dataa, voit aina käyttää tekstianalyysityökaluja. Keräämällä avoimia vastauksia ja käyttämällä tällaista työkalua voit luoda esimerkiksi asenneanalyysin, joka kertoo, miten asiakkaasi suhtautuvat tutkimuksen kohteeseen. 

Raakadatan muuttaminen ymmärrettävään muotoon sisältää tilastollisen merkitsevyyden osoittamisen. Jos merkitsevyyttä ei osoiteta, datan käyttö voi olla pelkkää kirsikanpoimintaa. Tilastollinen analyysi paljastaa, ovatko havaitsemasi trendit merkityksellisiä, ja mitä data tarkoittaa muihin tietojoukkoihin yhdistettyinä. 

Tilastollisen merkitsevyyden osoittamiseen on useita tapoja:

Silkan analyysin lisäksi myös muut tekijät määräävät tulostesi merkitsevyyttä. Vastausmäärät ja suoritusprosentti verrattuna otoskokoon esimerkiksi kertoo siitä, edustavatko tuloksesi tilastollisesti merkittävää ryhmää.

On hyvä ajatus pohtia myös kyselytutkimustulosten virhemarginaalia. Virhemarginaali kertoo siitä, kuinka hyvin tuloksesi vastaavat koko populaatiota. Pieni virhemarginaali tarkoittaa, että pidät tuloksiasi luotettavina, kun taas suuri virhemarginaali tarkoittaa, että tuloksesi eivät välttämättä edusta ihmisten näkemyksiä kovinkaan tarkasti. 

Jos tarvitset enemmän kyselytutkimusvastauksia tulostesi luotettavuuden lisäämiseen, SurveyMonkey Audience on juuri sinulle sopiva palvelu. 

Vertailu on prosessi, jossa tuloksiasi verrataan muiden yritysten tuloksiin tai alan keskiarvoihin. Voit myös vertailla tuloksiasi omiin aiempiin tuloksiisi tekemällä toistuvia kyselytutkimuksia, joilla kerätään tietoa usean vuosineljänneksen tai vuoden ajalta. 

Yritykset ympäri maailmaa käyttävät asiakaskokemuksen vertailua määrittääkseen, mitä niiden asiakkaat ajattelevat niistä kilpailijoihin verrattuna. 

Pitkittäisanalyysillä saat tietää, miten kyselytutkimustuloksesi ovat muuttuneet ajan kuluessa. Jos esimerkiksi järjestät konferenssin joka vuosi, voit pyytää osallistujia arvioimaan tyytyväisyyttään tapahtumaan lähettämällä konferenssin palautekyselyn. Jos tyytyväisyyden keskiarvo laskee ajan kuluessa, olet löytänyt mielenkiintoisen lähtökohdan lisätutkimuksille.

Tyytyväisyyttä mittaavan kysymyksen yhteydessä voidaan kysyä myös avoin kysymys, jolla vastaajia pyydetään avaamaan valintaansa. Tällainen laadullinen data tuottaa lisätietoa laskevan tyytyväisyyden syistä ja auttaa asiaan puuttumisessa. 

Voit seurata tietoja myös eri alaryhmiltä. Esimerkiksi jos tyytyväisyysprosentti kasvaa vuosi vuodelta opiskelijoiden ja opettajien osalta, mutta ei hallintohenkilöstön osalta, haluat ehkä tarkastella hallintohenkilöstön vastauksia joihinkin kysymyksiin saadaksesi selville, miksi he ovat tyytymättömämpiä kuin muut osanottajat.

Kyselytutkimustiedot kertovat tarinaa. Aloita tärkeimmästä tutkimuskysymyksestä, kerro tulokset pääpiirteittäin ja siirry vähitellen syvemmälle yksityiskohtiin. Mitä halusit selvittää? Mitä tietosi kertoivat sinulle? Mitkä tulokset ovat erityisen erottuvia tai kiinnostavia?

Käytä kertomuksessasi visuaalisia tehokeinoja aina, kun mahdollista. Lukijasi eivät todellakaan halua kahlata pelkän loputtoman tekstin läpi. Jo pelkkä kaavio tai sanapilvi voi kiteyttää tuloksesi tavalla, joka auttaa ihmisiä ymmärtämään dataa intuitiivisesti. 

Kun data on analysoitu ja tilastollinen merkitsevyys todettu, on aika esitellä tulokset maailmalle. Löydöksiäsi esittelevä näyttävä raportti on käytännön kyselytutkimusanalyysin viimeinen askel. Tällaisella raportilla voit jakaa tuloksesi kollegoille ja panna alulle innostavan muutoksen organisaatiossasi. 

Lisää samasta aiheesta: Tehokkaiden raporttien laatiminen kuuden peruskaavion avulla

Kyselytutkimusanalyysiin liittyy useita sudenkuoppia. Tässä on niistä muutama.

Tutkimuksen parissa aloittelevien selkein virhe kyselytutkimusanalyysissä on korrelaation ja syy-yhteyden sekoittaminen toisiinsa. Syy-yhteys tarkoittaa, että yksi tekijä aiheuttaa toisen tekijän suoraan. Korrelaatio puolestaan tarkoittaa, että kaksi tekijää kulkee käsi kädessä, vaikka niiden välillä ei välttämättä ole syy-yhteyttä.

Hyvä esimerkki tästä on kylmä sää ja sen vaikutukset. Kuuman kaakaon juonti ja tumppujen käyttö ovat korreloivia muuttujia, sillä niillä on taipumus esiintyä yhdessä. Yksi tekijä ei kuitenkaan aiheuta toista. Molempien aiheuttaja on kolmas tekijä, eli kylmä sää.

Vaikka tekijät vaihtelevatkin yhtä jalkaa, ne eivät silti välttämättä liity toisiinsa. Korrelaatioanalyysi auttaa tunnistamaan tietopisteiden välisiä suhteita.

Jos sekoitat korrelaation ja syy-yhteyden, saatat epähuomiossa yhdistää kaksi tietopistettä, jotka johtuvat kolmannesta tekijästä. 

Kuten jo mainittiin, kyselytutkimuksen tulokset voidaan nähdä kertomuksena. Jos haksahdat kirsikanpoimintaan eli valikoit hypoteesiasi tukevia tietopisteitä, saatat muodostaa asioista väärän käsityksen.

Kun lähdet todistamaan jotain kyselytutkimuksen keinoin, voi olla turhauttavaa, jos data ei tuekaan näkemystäsi. Ehkä jotkut asiakkaat eivät ole samaa mieltä keskeisen väittämän kanssa, tai ehkä tiedoista ei nouse esiin tilastollisesti merkitsevää enemmistöä. Jos näin käy, käytettävät tietopisteet on kuitenkin valittava ehdottoman puolueettomasti.

Jos valikoit laskelmissasi käytettävät tiedot tarkoitushakuisesti, teet hallaa kyselytutkimuksen tulosten tarkkuudelle ja edustavuudelle.

SurveyMonkey tietää paremmin kuin kukaan, että kyselytutkimuksen tekeminen ja tulosten kerääminen voi olla erittäin jännittävää. Maltti on kuitenkin valttia, sillä jos etenet liian nopeasti, saatat ohittaa epähuomiossa tärkeitä tietoja, joita ei ole vielä otettu mukaan tuloksiin. 

Kyselytutkimuksissa käytetään yleensä suuria vastausmääriä, jotta tuloksiin voidaan luottaa. Jos kiirehdit laskemaan tulokset mahdollisimman nopeasti, sinulta saattaa jäädä uupumaan vastauksia, joita tarvitset tilastollisen merkitsevyyden osoittamiseen. 

Ajattele tilannetta, jossa 100 % asiakkaistasi kertoo olevansa kiinnostuneita uudesta tuoteominaisuudesta. Tämä kuulostaa toki mahtavalta, mutta jos kyselytutkimukseesi vastasi vain yksi ihminen, kuinka varma voit olla, että vastauksesi todella kertovat asiakkaidesi ajatuksista laajemmin?

Kyselytutkimuksen kysymykset määräävät kerättävän datan tyypin ja laadun. Siksi kannattaa muistaa, että kyselytutkimusdatasi laatu riippuu kysymysten laadusta. 

Tässä on muutamia vinkkejä:

Kyselytutkimusten laadun parantaminen näkyy heti parempana datana.

Kyselytutkimusdatan analyysissä on monta puolta aina tärkeimpien tulosten tarkastelusta datan pilkkomiseen ja tulosten raportointiin. 

SurveyMonkey tarjoaa kyselytutkimustyökalut ja ‑mallit kohdeyleisön tavoittamiseen ja luotettavien vastausten keräämiseen. 

Rekisteröidy ja hyödy asiantuntijoiden laatimista malleista ja työkaluista.